Introducción al software de análisis

Paquetes estadísticos / softwares de análisis

Existen numerosos paquetes y lenguajes estadísticos actualmente disposición. Algunos privativos con licencias de alto costo y otros gratuitos y open source (fuente abierta).

Entre ellos podemos mencionar: SPSS, Stata, SAS, EpiDat, EpiInfo, lenguaje R, etc

El lenguaje R es la herramienta con la que vamos a trabajar durante la formación de la Residencia y pertenece al grupo de interfaz por línea de comando (como todo lenguaje de programación).

Tres dimensiones

Lenguaje R

El sitio oficial del lenguaje dice que:

“R es un entorno de software libre para gráficos y computación estadística.

Se compila y se ejecuta en una amplia variedad de plataformas UNIX, Windows y MacOS.”

Funcionamiento

Usuarios del lenguaje y enfoque “comunicativo”

• Plantea abordar el lenguaje R como un lenguaje para “comunicarse” (similar a un segundo lenguaje como el inglés, francés, etc.)

• Al dotar a R de una estructura particular semántica, gramatical y sintáctica.

• Se busca comenzar a “decir cosas con datos” y luego profundizar en las estructuras del lenguaje.

• Diferencias entre ser “usuario” y “programador”

• Propuesto por Riva Quiroga de LatinR en el encuentro global de RStudio de 2021. Para profundizar ver ponencia “How to do things with words: Learning to program with a ‘communicative approach’” en rstudio::global(2021)

R es un lenguaje de funciones (y argumentos)

Una función es un bloque de código que sólo se ejecuta cuando se llama.

• Existen funciones que forman parte de la base del lenguaje y otras que estan empaquetadas en librerías.

• Todas las funciones devuelven algo. Datos, un resultado o una acción determinada.

• La mayoría necesitan de ciertos datos que se declaran dentro de la función denominados argumentos. Algunos son obligatorios y otros opcionales.

• Toda función se escribe con una sintaxis precisa y finaliza siempre con paréntesis. Los argumentos se separan por comas.

Paquetes de R

Tidyverse

Una colección de paquetes de R modernos, que comparten una gramática y filosofía común, diseñados para resolver los desafíos de la ciencia de datos.

Tuberías

Las tuberías son operadores que permiten “canalizar” un objeto hacia una función o llamar a una expresión, lo que le permite expresar una secuencia de operaciones que transforman un objeto.

Existen dos tuberías conocidas:

%>% perteneciente al paquete magrittr del tidyverse

|> que es la propuesta nativa de R base a partir de la versión 4.1.0

La mayoría de los scripts del curso muestran la tubería nativa, pero se puede utilizar cualquiera de las dos.

Tuberías

Para el uso general, la utilización de las dos tuberías es la misma, es decir que la forma simple de las tuberías inserta el lado izquierdo como primer argumento en la llamada del lado derecho.

Esto posibilita la reutilización de las estructuras de datos y la escritura de porciones de código similares a “oraciones” de un párrafo.

Pulse aquí para ver algunas caracteristicas comparativas de estas tuberías.

Estructura de datos

Las estructuras de datos son los objetos contenedores de datos que el lenguaje ofrece.

Existe una variedad de estructuras de datos: vectores, matrices, arrays, dataframes, listas, etc.

Vamos a describir a las más relevantes dentro del ecosistema tidyverse y que serviran en estos inicios del curso: Los vectores y los dataframes.

Vectores

• Son secuencias de elementos del mismo tipo de datos.

• Tienen dos atributos principales: longitud y tipo de datos.

• Los 6 tipos de datos que usaremos en R son:

  1. logical (TRUE - FALSE)
  2. integer (15)
  3. double (24.64)
     
  4. character ("Hola")
  5. factors ("Si" - "No" - "Ns/Nc")
  6. date/datetime ("2023-10-09" - "2023-10-09 01:00:00")

• Los vectores integer y double se conocen como vectores numéricos (numeric).

• Un dataframe, que se traduce como marco de datos, es similar a una tabla de datos construida por una colección de vectores ubicados verticalmente que mantienen la integridad de sus filas.

• Tienen dos dimensiones, las columnas verticales llamadas variables y las filas horizontales llamadas observaciones.

• Las columnas pueden ser de diferentes tipos, pero todas las filas de cada columna pueden tener un mismo tipo de dato.

• La combinación de datos de las diferentes columnas que conforman una fila es fija, por lo que se asegura la integridad de estas observaciones (principio de las bases de datos).

Tibbles

• Los tibbles son una versión moderna del dataframe que introduce tidyverse.

• Tienen las mismas características que un dataframe normal con algunos atributos más agradables.

• Cuando importemos tablas de datos, estos se almacenarán como dataframes/tibbles.

• Dado que estamos centrados en tidyverse, utilizaremos los términos dataframe y tibble como sinónimos entre sí para su uso general.

• Los dataframes/tibbles son el tipo de datos fundamental en la mayoría de los análisis que llevaremos adelante.

Lectura de datos

• El formato de archivos de datos nativo de R es el texto plano separado por comas (archivos csv)

• Estas tablas de datos tienen las variables ubicadas en las columnas y las observaciones en las filas.

• readr se llama el paquete que tiene funciones de lectura y escritura de este tipo de archivos dentro del tidyverse.

• El objeto al que asignemos estas lecturas siempre será un dataframe/tibble.

• Es importante reconocer el Enconding de los caracteres utilizados en la creación del archivo de datos para hacer una lectura adecuada.

Encoding

• La codificación de caracteres en los archivos especifican cómo se representan los caracteres durante el procesamiento de texto.

• Existen diferentes estándares de “encoding” que se adaptan a conjuntos de caracteres específicos (generalmente según el idioma)

• Es el motivo por el cuál, a veces importamos datos y hay caracteres especiales de nuestro idioma español, como los acentos o la eñe, que se muestran erróneos, es decir, con otros caracteres equivocados.

• readr tiene la función guess_enconding() que sirve para detectar el estándar de un archivo de texto plano.

• Las funciones del paquete permiten modificar estos estándares dentro de sus argumentos.

Errores y advertencias

Ayuda

• Todas las funciones del R base o de los paquetes vienen acompañadas con su respectiva documentación.

• Esta documentación se puede visualizar en el panel Help de RStudio navegando como si fuese un navegador web.

• La documentación tiene una estructura que se repite: descripción, uso, argumentos, detalles, valores, ejemplos.

• También se pueden hacer busquedas en buscadores web como Google, foros especializados, como por ejemplo Stack Overflow o Rpubs, canales de slack y más recientemente en IAs como chatGPT o Google Gemini.